宋 宇, 付珍艳, 纪超群, 徐连杰

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

随着计算机性能的不断提高和卷积神经网络的应用,基于深度学习的目标检测算法不断被完善，从最初的一种基于CNN的目标检测框架Over Feat到深度学习检测模型R-CNN[1]，再到进一步地改进 R-CNN 的网络结构，提出了 Fast-RCNN和Faster-RCNN，其已达到高检测精度。但Fast-RCNN[2]和Faster-RCNN[3]是基于区域建议提取目标候选区域的两步检测网络(two-stage)，检测速度不能达到实时性,进而又提出基于回归思想的单步检测模型(one-stage)来提高检测速度，如SSD[4]和YOLO[5]系列YOLOV1、YOLOV2[6]、YOLOV3[7]。短短几年时间，基于深度学习的目标检测被广泛应用在汽车、交通领域，如公路上的车牌识别，自动驾驶可进行行人、来往车辆、红绿灯的识别；其次在航空航天方面，可利用该技术侦测行星、陨石、太空垃圾等；在医疗领域方面可用于细胞的病变、是否细菌感染以及病毒的检测；常见的视频、摄像功能，如在日常生活中经常接触的拍照时可能用到的人脸识别、物体检测等功能，手写字体识别、手机的面部识别登入系统、百度的“以图搜图”等多种新颖又实用的技术都是以目标检测技术为基础的；还有在消费电子领域，目标检测技术应用于体感游戏，可以让系统读取到玩家体型信息，再识别出玩家的攻击、跳跃等一系列的动作等。目前,专门应用于蝴蝶生长过程检测的相关算法研究较少，文中研究了相关的目标检测算法，发现大多数通用目标检测算法都可以适用于蝴蝶生长过程的检测任务，但是由于自然界复杂场景下存在种类众多和小尺度目标检测等问题，导致如果将通用目标检测算法直接应用于蝴蝶生长过程检测任务,效果并不理想。……